L’intelligenza artificiale viene oggi ampiamente utilizzata per analizzare i biosignali rilevati da dispositivi indossabili come gli smartwatch. Identificando schemi significativi nei dati relativi alla salute, tra cui sonno, frequenza cardiaca e attività fisica, l’AI aiuta gli utenti a comprendere e gestire meglio il proprio benessere.

Durante l’Health Forum tenutosi in occasione di Galaxy Unpacked luglio 2026, Samsung ha inoltre condiviso la propria visione di Connected Care per il futuro della salute digitale: un ecosistema in cui l’assistenza si evolve da un approccio reattivo a uno preventivo, personalizzato e connesso, supportato da innovazioni affidabili e collaborazioni all’interno dell’intero settore sanitario. Una delle tecnologie alla base di queste nuove esperienze per i consumatori è rappresentata dai modelli fondazionali per la salute.

I ricercatori del Digital Health Team di Samsung Research America (SRA) stanno sviluppando nuove tecnologie basate sull’intelligenza artificiale in grado di comprendere in modo continuo lo stato di salute delle persone a partire dai biosignali, generare insight utili e fornire indicazioni personalizzate per il benessere.

Di recente, Samsung ha presentato due modelli fondazionali basati sui dati raccolti dai dispositivi indossabili: xMAE (Physiology-Aware Masked Cross-Modal Reconstruction for Biosignal Representation Learning), che apprende le relazioni temporali tra diversi biosignali, e HiMAE (Hierarchical Masked Autoencoder), che interpreta i pattern di salute su differenti scale temporali all’interno delle serie storiche generate dai dispositivi wearable. Entrambi gli studi rappresentano un passo avanti nello sviluppo di modelli di AI per la salute capaci di comprendere meglio le relazioni fisiologiche e la struttura temporale dei biosignali.

Il lavoro di Samsung sui modelli xMAE e HiMAE è stato accettato rispettivamente all’International Conference on Machine Learning (ICML) e all’International Conference on Learning Representations (ICLR), a conferma della rilevanza scientifica di questa ricerca.

Un modello fondazionale per la salute è un sistema di intelligenza artificiale che utilizza l’apprendimento auto-supervisionato per estrarre caratteristiche significative da dati di biosignali non etichettati. Dopo una fase di preaddestramento su dataset sanitari su larga scala, questi modelli possono essere applicati a un’ampia gamma di attività, tra cui l’analisi dei biosignali, lo sviluppo di biomarcatori nuovi o migliorati e la previsione di possibili problematiche di salute.

L’elettrocardiogramma (ECG) disponibile sui dispositivi indossabili misura direttamente l’attività elettrica del cuore ed è utile per rilevare la frequenza cardiaca e la sua variabilità, identificare ritmi cardiaci anomali e valutare il rischio di condizioni come la fibrillazione atriale. Sebbene l’ECG sia altamente preciso, richiede generalmente che l’utente interrompa l’attività in corso per effettuare una misurazione dedicata. La fotopletismografia (PPG), invece, misura indirettamente la funzione cardiaca rilevando le variazioni del flusso sanguigno e può essere monitorata in modo passivo e continuo attraverso i sensori integrati in dispositivi wearable come gli smartwatch.

I due segnali derivano dalla stessa attività cardiaca, ma si manifestano con un certo ritardo temporale, proprio come il tuono viene percepito dopo aver visto il lampo. xMAE è un framework di preaddestramento per biosignali progettato per apprendere questa relazione temporale ricostruendo le porzioni mascherate del segnale ECG utilizzando il segnale PPG, più semplice da acquisire e monitorare in modo continuo. Grazie a questo approccio, è possibile analizzare con maggiore precisione caratteristiche correlate alla salute cardiovascolare attraverso il PPG, senza richiedere misurazioni ECG manuali aggiuntive.

I ricercatori hanno preaddestrato xMAE utilizzando circa 9.400 ore di dati ECG e PPG. Il modello ha superato le prestazioni dei modelli basati su un singolo biosignale e delle metodologie multimodali esistenti in 15 delle 19 attività di valutazione, tra cui la previsione di malattie cardiovascolari, il rilevamento di risultati clinici anomali e la classificazione delle fasi del sonno. Lo studio ha inoltre dimostrato il potenziale delle caratteristiche apprese dal modello anche su differenti dispositivi, aree del corpo e contesti di raccolta dei dati.

I dati sulla salute raccolti dai dispositivi indossabili possono fornire informazioni differenti a seconda della scala temporale considerata. Ad esempio, segmenti di breve durata consentono di osservare fenomeni rapidi come il battito cardiaco, mentre finestre temporali più lunghe possono mettere in evidenza pattern che si sviluppano nel tempo, come il sonno o l’attività fisica. È un po’ come osservare un’immagine effettuando continui zoom per cogliere dettagli diversi.

HiMAE è un modello di apprendimento auto-supervisionato che apprende rappresentazioni dai dati raccolti dai wearable su più scale temporali. Utilizza diversi encoder per analizzare separatamente segmenti brevi e lunghi, consentendo al modello di individuare le informazioni più rilevanti per ciascun compito, come l’analisi della frequenza cardiaca o la previsione del sonno, alla scala temporale più appropriata. Durante la fase di addestramento, il modello ricostruisce le porzioni mancanti dei dati, imparando così a riconoscere i principali pattern presenti nei biosignali anche quando la disponibilità di dati etichettati è limitata.

Un singolo modello HiMAE preaddestrato è in grado di gestire attività di classificazione, previsioni numeriche e generazione di dati. Pur essendo più compatto rispetto alle soluzioni esistenti, il modello ha raggiunto livelli elevati di prestazione e una notevole efficienza computazionale, arrivando a produrre risultati in meno di un millisecondo su una CPU di classe smartwatch. Ancora più importante, HiMAE dimostra per la prima volta il potenziale dei modelli fondazionali per la salute eseguiti direttamente sul dispositivo, consentendo l’analisi in tempo reale dei segnali grezzi senza il supporto di server cloud.

Nel loro insieme, xMAE e HiMAE rappresentano un importante progresso nello sviluppo di modelli di intelligenza artificiale capaci di comprendere con precisione le relazioni fisiologiche e le strutture temporali caratteristiche dei biosignali. Entrambi i modelli puntano a fornire insight sulla salute accurati, continui e personalizzati, estendendo le proprie capacità a numerose applicazioni sanitarie attraverso un unico modello preaddestrato.

Scopri di più direttamente dai ricercatori che hanno contribuito a questo lavoro nei contenuti riportati di seguito.